Python正面硬刚C语言，结果会怎样？
雷达数据可视化是雷达数据处理的最后阶段，通常是将一个二维数组的数据转换为扇形图像。这个二维数组的行数对应着雷达的扫描半径，扫描半径越大，行数越多；数据的列数和雷达的扫描角度相关，扫描角度越大，列数越多。
比如，上面这张图就是一个扫描半径1km、扫描范围130°的雷达二维数据的直观显示，下面这张图则是由这个数据转换得到的扇形图像。
二维数据转扇形图像的原理很简单，就是将二维数据的每一列写到输出图像的对应像素上。如果输出图像的扇形弧长比原始数据的列数多，则需要插值。下图是二维数据转扇形图像的原理示意图，原始数据共有8列，而输出图像的圆弧长24个像素（弧长取决于雷达扫描角度和扫描半径），故每一列数据被重复操作了3次，每次的旋转角度各不相同。
近日有网友求援，要我帮忙优化一个用于雷达数据可视化的Python脚本。略作分析之后，基于二维数据转扇形图像的基本原理，我为求援的网友重写了一个新的脚本文件，全部代码大约50余行。
# -*- coding:utf-8 -*-
import os, time
import numpy as np
from PIL import Image
def outimg(fn_squ, fn_fan, angle, r0=0, phase=180, cw=True):
"""将矩形图像转为环形
fn_squ - 输入文件名
fn_fan - 输出文件名
angle - 环形夹角度数
r0 - 环形内圆半径，默认r0为0，输出扇形
phase - 初始相位（原点在输出图像的中心，以指向右侧的水平线为0°，逆时针方向为正）
cw - 顺时针扫描
"""
im = np.array(Image.open(fn_squ)) # 读图像文件为NumPy数组
h, w, d = im.shape # 矩形图像的高度、宽度和通道数
r1 = h + r0 # 扇形半径
k = int(np.ceil(np.radians(angle)*r1/w)) # 插值系数（自动确定，无需修改）
xs = np.ones((2*r1-1, 2*r1-1), dtype=np.int32) * -1 # 列索引数组
ys = np.ones((2*r1-1, 2*r1-1), dtype=np.int32) * -1 # 行索引数组
rs = np.linspace(r1, r0, h) # 半径序列
hs = range(h) # 行序列
if cw: # 顺时针扫描
theta = np.radians(np.linspace(phase, phase-angle, k*w))
else: # 逆时针扫描
theta = np.radians(np.linspace(phase, phase+angle, k*w))
for i in range(k*w):
x = np.int32(np.cos(theta[i])*rs) + r1 - 1
y = -np.int32(np.sin(theta[i])*rs) + r1 + 1
xs[(y, x)] = i//k
ys[(y, x)] = hs
im_fan = im[(ys, xs)] # 从原始数据得到扇形图像数据
im_fan[np.where(xs == -1)] = (0,0,0,0) # 空白部分置为透明
Image.fromarray(im_fan).save(fn_fan) # 保存为文件
if __name__ == '__main__':
fn_squ = 'res/raw_d130_1km.png'
fn_fan = 'res/fan_d130_1km.png'
t0 = time.time()
outimg(fn_squ, fn_fan, angle=130, r0=100, phase=155, cw=True)
t1 = time.time()
print('图像已处理完并保存，耗时%d毫秒'%int((t1-t0)*1000))
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
使用上面展示的扫描半径1km、扫描范围130°的雷达二维数据（可直接下载图像文件作为测试数据），这段代码生成扇形图像大约耗时1.6秒钟。发给求援的网友之后，很快传来了反馈消息：新的脚本不但可以正常运行，速度更是提升了20倍左右。略带夸张的千恩万谢之后，这位网友又说，他们原本对优化没有抱多大期望，只想尝试一下；如果优化结果不理想的话，打算用C替换这个脚本的；现在好了，处理速度足可满足需求，无需再用C重写了。
帮忙的事情算是圆满结束了，但这位网友的话却让我萌生了一个想法：用C来实现同样的功能，究竟会比Python快多少呢？平时总听到很多人说，Python如何如何慢，何不借此问题，让Python和C来一个正面较量呢？
坐而论道，不如起而行之。几个小时之后，我写完了下面这段同样是实现二维数据转扇形图像的C代码。其中加载图像文件和保存图像文件，借用了GitHub上的一个C/C++图像库。这个名为stb的图像库，并非无名之辈，单是Contributors就有188人之多，持续开发近10年之久，圈内也算小有名气。若要运行下面的代码，请先去stb的GitHub下载stb_image.h和stb_image_write.h两个头文件。
#include <stdio.h>
#include <stdlib.h>
#include <windows.h>
#define _USE_MATH_DEFINES
#include <math.h>
#define STB_IMAGE_IMPLEMENTATION
#include "stb_image.h"
#define STB_IMAGE_WRITE_IMPLEMENTATION
#include "stb_image_write.h"
int main() {
LARGE_INTEGER li;
LONGLONG startTime, stopTime, freq;
QueryPerformanceFrequency(&li);
freq = li.QuadPart;
QueryPerformanceCounter(&li);
startTime = li.QuadPart; // 记录开始时间
char* rawFile = "D://MyCcode//RadoData2Image//res//raw_d130_1km.png";
char* outFile = "D://MyCcode//RadoData2Image//res//fan_d130_1km.png";
int w_raw = 0, h_raw = 0, chn = 0;
unsigned char* radoData = stbi_load(rawFile, &w_raw, &h_raw, &chn, 0);
int r0 = 100, cw = 1, r1 = h_raw + r0;
double angle = 130.0, phase = 155.0;
int w_out = 2*r1 - 1, h_out = 2*r1 - 1;
int size_out = w_out * h_out * chn;
int k = (int)(ceil((M_PI*angle/180.0)*w_out/w_raw));
int arc = k * w_raw;
double step = angle/(arc-1);
char* fanData;
fanData = (char*)malloc(size_out); // 生成保存转换结果的数组
for (int i=0; i<size_out; ++i) {
fanData[i] = 0; // 初始化像素，全部透明
}
double theta, sinv, cosv;
int x, y, col_raw, pos_raw, pos_out;
for (int i=0; i<arc; i++) {
if (cw == 1)
theta = M_PI * (phase - i*step) / 180.0;
else
theta = M_PI * (phase + i*step) / 180.0;
sinv = sin(theta);
cosv = cos(theta);
col_raw = i/k;
for (int r=r0; r<r1; r++) {
x = (int)(cosv*r) + r1 - 1;
y = -(int)(sinv*r) + r1 + 1;
pos_out = (y * h_out + x) * chn;
pos_raw = ((h_raw - 1 - r + r0) * w_raw + col_raw) * chn;
for (int j=0; j<4; j++)
fanData[pos_out+j] = radoData[pos_raw+j];
}
}
// 将转换结果保存为文件
stbi_write_png(outFile, w_out, h_out, chn, fanData, 0);
QueryPerformanceCounter(&li);
stopTime = li.QuadPart; // 记录结束时间
int costTime =(int)((stopTime-startTime)*1000/freq);
printf("Time cost: %d ms\n", costTime);
return 0;
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
激动人心的时刻终于到了，我迫不及待地点击了“构建并运行”按钮。看起来一切顺利，屏幕迅速滚动并最终定格。
什么？2668毫秒？竟然比Python慢了1000毫秒？不可能！！！直觉告诉我，一定是哪里出现了问题。接下来我又花了几个小时，反复检查验证，但结果和过程都没有发现问题。下表是10次运行结果的耗时记录，结果显示，在相同的测试条件下，Python平均耗时1660毫秒，C平均耗时2582毫秒，Python耗时大约是C的64%。
| No. | Python | C |
|---|---|---|
| 1 | 1635ms | 2596ms |
| 2 | 1652ms | 2599ms |
| 3 | 1696ms | 2609ms |
| 4 | 1673ms | 2557ms |
| 5 | 1633ms | 2550ms |
| 6 | 1632ms | 2584ms |
| 7 | 1626ms | 2567ms |
| 8 | 1729ms | 2603ms |
| 9 | 1642ms | 2562ms |
| 1 | 1691ms | 2593ms |
| 平均 | 1660ms | 2582ms |
尽管不可思议，但我现在开始尝试相信这个结果了。读者您呢？要是有疑问或建议，欢迎留言。如有更加高效的Python代码或着C代码，请发私信给我，让我们一起将这场Python和C语言的正面交锋延续下去、延伸开来。
文章来源: xufive.blog.csdn.net，作者：天元浪子，版权归原作者所有，如需转载，请联系作者。
原文链接：xufive.blog.csdn.net/article/details/119930260
- 点赞
- 收藏
- 关注作者
评论（0）